Machine Learning: Fundamentos, aplicaciones y computación

Sesión 0 – Estructura

Sesión 1 (2 horas) – Introducción

• ¿Qué es Machine Learning?
• Estadística vs Machine Learning
• Regresión vs Clasificación
• Tipos de inferencia
• Conceptos de aprendizajes supervisado: riesgo empírico, descomposición del error, sesgo-varianza, overfitting, validación cruzada.
• Ilustración con KNN

Sesión 2 (2 horas) – Aprendizaje Supervisado

• Métodos lineales: Regresión Lineal y Regresión Logística
• Regularización
• Optimización: gradient descent, SGD...
• Intro a redes neuronales y aprendizaje profundo
• Práctica

Sesión 3 (2 horas) – Aprendizaje No Supervisado

• Conceptos Aprendizaje No supervisado.
• PCA, NMF, TSNE
• Práctica

Sesión 4 (2 horas) – Aprendizajo por refuerzo y retos de investigación

• Procesos de Decisión de Markov
• Aprendizaje por refuerzo
• Práctica
• Retos de investigación